作者：陳鳳，李聰，朱立東，吳琦，樂秀權，戴志堅

（電子科技大學 中國空間技術研究院）

1衛(wèi)星干擾信號樣式

隨著通信環(huán)境日益復雜，衛(wèi)星通信系統(tǒng)常遭受各種干擾信號的威脅，導致通信中斷、質(zhì)量下降以及安全風險。

以下僅探討人為惡意干擾。

圖1 衛(wèi)星干擾信號的來源

1.1 壓制干擾

以大功率信號壓制目標信號，受干擾的頻率帶寬無法通信。

表1 壓制干擾的分類

1.2 靈巧干擾

有針對性地干擾特定目標系統(tǒng)，或試圖欺騙目標系統(tǒng)。

表2 靈巧干擾的分類

表3 不同設備的欺騙干擾

1.3智能干擾

使用深度學習、感知和自適應等方法，根據(jù)目標系統(tǒng)的行為動態(tài)選擇和調(diào)整干擾策略(功率、類型、脈沖率等)，完成最佳干擾決策。

圖2 智能干擾的架構

衛(wèi)星信號干擾類型的演進，標志著干擾從簡單到復雜、從靜態(tài)到動態(tài)，對通信安全提出了更大的挑戰(zhàn)。

表4人為惡意干擾衛(wèi)星信號的分類

2衛(wèi)星干擾識別技術

一般先提取干擾信號的特征，再進行識別和分類。特征提取研究已成熟，但識別和分類研究仍在發(fā)展階段。主要干擾識別方法有：信號處理法、傳統(tǒng)機器學習、深度學習。

圖3衛(wèi)星干擾識別技術框架

2.1 信號處理

通過數(shù)學和算法分析信號時域、頻域和時頻域特征，以識別和區(qū)分干擾。

表5 信號處理識別干擾的常見特征

表6 信號處理識別干擾的其他特征

信號處理的方法眾多，但如何選擇適合信號數(shù)據(jù)本身的特征成為研究瓶頸。

2.2 傳統(tǒng)機器學習

該方法先提取待識別信號的特征參數(shù)，然后利用傳統(tǒng)機器學習中的分類算法或網(wǎng)絡完成干擾識別。包括支持向量機、決策樹、傳統(tǒng)神經(jīng)網(wǎng)絡、K-最近鄰算法、隨機森林、樸素貝葉斯分類器、邏輯回歸、最大熵模型等。

表7機器學習識別干擾的常見算法

2.3 深度學習

深度學習的目標是通過學習自動提取數(shù)據(jù)中的特征，以進行分類、回歸、聚類等任務。目前，卷積神經(jīng)網(wǎng)絡(CNN)最具研究熱度。

CNN將干擾特征提取和分類識別合并為一步。卷積層和池化層用于提取干擾特征，全連接層進行非線性映射，輸出層則識別干擾類型。目前研究集中在CNN的輸入處理、網(wǎng)絡結構、特征可視化以及與其他算法的結合等方面。

圖4 CNN結構圖

設計適合干擾識別的CNN網(wǎng)絡是關鍵。如指紋譜深度卷積神經(jīng)網(wǎng)絡是用于干擾信號的頻譜特征識別的深度學習模型，結構復雜但性能更好。復數(shù)卷積神經(jīng)網(wǎng)絡(CV-CNN)能挖掘數(shù)據(jù)潛在特征，識別率高且受噪聲影響小，能識別更大范圍的干擾信號。

3干擾識別技術的發(fā)展趨勢

未來，隨著衛(wèi)星通信發(fā)展和干擾威脅演化，高效、智能、可靠的干擾識別技術仍是重點。

表8 衛(wèi)星干擾識別技術的發(fā)展趨勢

文章來源：

陳鳳，李聰，朱立東，吳琦，樂秀權，戴志堅.衛(wèi)星通信干擾信號識別技術研究現(xiàn)狀及展望[J]. 太赫茲科學與電子信息學報,2024,22(3):227-239.

本條內(nèi)容來自微信公眾號“太赫茲科學與電子信息學報”